翻訳音声が機械的、早すぎる、または本人と違って聞こえる理由

この記事では「音声翻訳」の音声読み上げについて説明します。「動画翻訳」については別のセクションがあります。すべての読み上げ設定は設定画面から変更できます。右上の設定アイコン（スライダー）をタップし、読み上げタブを開いてください。

クイックチェック: 症状、原因、解決策

よくある原因のほとんどは2つです。翻訳が標準音声で読み上げられているか、音声が元の音声のペースに合わせず独自のペースで読み上げられていることです。

声が機械的または平坦に聞こえる場合

機械的な音声に聞こえる場合、通常はElevenLabsまたはOpenAIの標準音声で翻訳が読み上げられています。これらの音声は全員共通で、話者の声を再現しません。特にOpenAIの音声は意図的にニュートラルに作られています。

• 読み上げタブを開き、クローンを使用の下にあるオプションを選択します。MiniMax（声質や感情の再現性が最も高いと案内されているもの）またはQwen 3を選択し、再度再生ボタンをタップしてください。

• 最も自然な仕上がりにするには、ElevenLabs Dubbing v2を選択してください。元の録音自体を吹き替え、元のペースと声質を維持します。1秒あたり4.4トークン消費するため、1分間のメッセージには約264トークンかかります。

• 音楽、街の騒音、複数の声が入っている録音から作成されたクローンも不自然に聞こえます。最初の1分間に1人の声がはっきりと入っている録音を使用してください。

翻訳が速すぎる、または遅すぎる場合

読み上げ音声は、その音声独自のペースで翻訳テキストを読み上げます。元の音声の長さに合わせて伸縮しないため、翻訳音声が元より早く終わったり、遅く終わったりすることがあります。

• MiniMax: MiniMaxの項目で設定を開き、速度を1.0xより下げます。設定範囲は0.5x〜2.0xです。

• Qwen 3: 話し方で遅いを選択します。話し方の設定は「ファイルからクローン」でのみ機能し、保存した音声では機能しません。

• ElevenLabsおよびOpenAIの標準音声は、「音声翻訳」では速度変更ができません。

• 元のテンポに合わせたい場合は、ElevenLabs Dubbing v2を選択してください。

速度やスタイルを変更した後は、再度再生ボタンをタップしてください。MiniMaxの場合、同じ結果の再読み上げではクローン作成用の180トークンは再請求されません。

自分や話者の声と違って聞こえる場合

「ファイルからクローン」は、録音内で話している人の声を複製します。結果がその人の声と違って聞こえる場合は、以下の原因を順に確認してください。

1. 標準音声が使用されている。「声をクローンしますか？」というダイアログでAI音声を使用を選択した（次回から表示しないにチェックを入れていると継続されます）、設定でElevenLabsやOpenAIを選択した、またはクローン非対応の言語を選択した場合に発生します。読み上げタブでMiniMaxまたはQwen 3を選択してください。

2. 録音が短すぎる。Qwen 3には最低3秒、MiniMaxには最低10秒が必要です。満たない場合、アプリは標準音声を使用し、「音声が短すぎるため、標準音声を使用しました」と表示されます。

3. クローン作成に失敗し、アプリに「音声クローンは現在利用できません。標準音声が使用されました。」と表示された。後でもう一度再生をタップするか、MiniMaxを選択してください。

4. 録音の声ではなく、保存済みの音声が選択されている。マイMiniMax音声またはマイQwen音声が有効になっている場合、その保存された音声で読み上げられます。ファイルからクローンを選択してください。

5. 最初の60秒間にノイズが入っている。MiniMaxとQwen 3はファイルの最初の1分間からのみ声を抽出します。そこに音楽や他の人の声、大きな環境音があると、クローンの精度が下がります。

返信などで他人のメッセージに自分の声を使いたい場合は、設定 → マイ音声で一度自分の声を保存し、それを「マイMiniMax音声」または「マイQwen音声」として選択してください。高品質なサンプルの録音方法は音声クローンの品質を高めるコツをご覧ください。

アクセントや方言が異なる場合

「音声翻訳」では、アクセントや地域ごとの言語バリエーションを指定できません。言語リストには言語ごとに1つの項目しかありません（ポルトガル語ならブラジルやポルトガルの選択肢はなく、英語ならアメリカ英語やイギリス英語の区別はありません）。

• クローン音声は話者の声質を維持し、多くの場合その人のアクセントも引き継ぎます。英語を話す人がポルトガル語に翻訳された場合、翻訳が正確であっても通常は外国人のような発音になります。

• 標準音声は各言語で固定されており、「音声翻訳」内では別の標準音声に変更できません。

対応方法:

• 翻訳テキストをコピーし、テキスト読み上げを開いて、言語やアクセントのフィルターを使ってElevenLabsの音声を選択します。声は別人のものになりますが、希望の発音が得られます。

• 動画の場合は「動画翻訳」を使用してください。言語リストには、ポルトガル語（ブラジル）や英語（アメリカ合衆国）などの地域バリエーションが含まれています。

感情が伝わらない場合

MiniMaxとQwen 3は声のトーンを再現しますが、あくまで翻訳されたテキストを読み上げるため、元の発話のイントネーションまでは引き継ぎません。設定しない限り、AIモデルがテキストからイントネーションを自動で判断します。

• MiniMax: 感情を「喜び」「悲しみ」「怒り」「恐れ」「驚き」「落ち着き」「嫌悪」から選択します。設定した感情は翻訳全体に適用されます。自動（推奨）にするとモデルが自動判断します。

• Qwen 3: 話し方を「落ち着いた」「エネルギッシュ」「フレンドリー」「ソフト」「プロフェッショナル」から選択します。

• ElevenLabs Dubbing v2は元の録音をベースに処理するため、元の話し方に最も近くなります。

2人の会話が1つの声になってしまう場合

「音声翻訳」では、Dubbing v2以外のすべてのオプションで翻訳全体が1つの音声で読み上げられます。MiniMaxとQwen 3はファイルの冒頭から1つのクローンしか作成しないため、会話であっても録音の最初の1分間から作られた同じ声が全員に使われます。

各話者にそれぞれの声を割り当てたい場合は、ElevenLabs Dubbing v2を選択してください。話者を自動で識別し、それぞれクローンを作成します。

間（ポーズ）が維持されない場合

MiniMax、Qwen 3、および標準音声は、翻訳をひと続きのテキストとして読み上げるため、元の音声にあった長い間隔は失われます。「音声翻訳」にはこの間を維持する設定はありません。ElevenLabs Dubbing v2であれば、元のタイムラインに沿って吹き替えを行い、タイミングを維持します。

「動画翻訳」の場合

「動画翻訳」には専用の設定があります。開始する前に「動画翻訳」の右上にある設定アイコンをタップしてください。

• 1人の声が男性と女性など2つの声で吹き替えられてしまった場合: HeyGenで話者数が「自動」になっていると、HeyGenが話者の人数を判定し、2人いると誤認することがあります。話者数を「1」に設定して、再度翻訳してください。

• 声が機械的に聞こえる、または元と違いすぎる場合: HeyGenで高品質クローンをオンにするか（料金は2倍になります）、各話者をクローンしてタイミングを維持するElevenLabsを選択してください。元の音声にノイズがある場合は、音質向上をオンにしてください。

• 方言が違う場合: 言語リストでポルトガル語（ブラジル）などの地域バリエーションを選択してください。

「動画翻訳」のすべてのオプションについては、動画翻訳の使い方をご覧ください。

サポートへのお問い合わせ

上記を試しても解決しない場合は、結果の下にあるフィードバック欄の結果にご不満ですか？をタップし、どのような問題があるか記入してください。このフォームから送信すると処理データが添付されるため、サポート側でも同じ音声を確認できます。一般的なお問い合わせフォームは vocalingo.app/support にあります。